"her şeye yapay zeka deniliyor." şeklinde olan ve kavram karmaşasından kaynaklanan şikayetler oldukça yaygındır. zaten günlük yaşamda kullandığımız çoğu şey yapay zekadır. neyin neyin branşı olduğu aşağıda görülebilir. deep learning, machine learning'in; machine learning de ai'ın* bir dalıdır.

(*) ai: artificial intelligence, yapay zeka)

öncelikle, burada en geniş terim olan ai'ı kendi içinde ayıralım

- narrow ai
- general ai
- strong ai

narrow ai, facebook'a girdiğinizde likelarınıza göre news feedinizi şekillendirir. last fm'de scrobblelarınıza göre şarkı tavsiyeleri tertipler. narrow ai, ilkel ai formlarını temsil eder. spesifik bir görevi icra eder, yani pratiktir.

general ai, günümüzde teknolojinin gitmeyi hedeflediği yerdir. herhangi bir fikri görevi başarıyla gerçekleştirebilmesi arzu edilen zekâdır. yani tek bir görev odaklı değildir. konseptleri anlayıp, öğrenebilir ve bu sayede çok çeşitli görevleri gerçekleştirebilir.

strong ai, insan beyni gibidir. bilinçlidir, günümüzde hipotetiktir. artificial superintelligence (asi) ise bunun da ötesine geçen, insan zekâsını aşan bir ai kavramıdır. musk ve hawking gibi isimler her ne kadar erkenden endişelenmeye başladılarsa da günümüzde bulunduğumuz konum tüm bunlardan çok uzaktır.

machine learning nedir?

machine learning, verilerden öğrenebilecek algoritmalara dayanan bir sistemdir. burada "öğrenmekten" kasıt, bir machine learning modelinin tahminlerinin doğruluğunu veri ile beslendikçe daha iyi seviyelere taşıyabilmesidir. bu yönü ile machine learning klasik kural tabanlı programlamadan farklıdır.

bu konulardaki kaynakları okurken sık sık karşılaşacağınız bir buzzword olan big data eski veritabanı işleme biçimleri kullanılarak işlenemeyecek kadar geniş ve komplike olan bilgi kümelerini ifade eder. big data 3 nitelik ile anılır:

3v

- volume (hacim): ünlü bir sosyal medya platformuna yüklenen verilerin ne boyutlara vardığını düşünürsek bu platformlardaki veriler big data olabilir.

- velocity (hız): veriler müthiş bir hızda büyüyebilmektedir.

- variety (çeşitlilik): veriler tek tip değildir. içinde jpeg de vardır, mp3 de vardır, lokasyon bilgisi de vardır, yazılı bilgiler de vardır.

tüm bu bilgilerin neden önem arz edip ne amaçla kullanılacağı organizasyondan organizasyona değişir. mühim olan devasa bir bilgi çöplüğünden anlamlı sonuçlar üretebilmektir. big data bu yüzden machine learning ile iç içe geçmiştir.

machine learning algoritmalarının kategorizasyonu en basit hâli ile şu şekildedir

- supervised: supervised learningde analiz, etiketli (labelled)veri setinden başlar.

- unsupervised: veri setinde etiket yoktur.sistemler yalnızca girdileri kullanarak verileri anlamlandırır.

- semi-supervised: etiketli ve etiketsiz girdi verileri bir arada bulunur.

- reinforcement: deneyim yoluyla öğrenme biçimidir. deneme-yanılmaya bağlı olan labirent çözme algoritmaları (#82365351) bu öğrenme biçimine güzel bir örnek olarak verilebilir.

deep learning'de tüm bu algoritmalar kullanılabilir.

popüler machine learning algoritmalarıyla ilgilenenler bu başlıkları inceleyebilirler:

(bkz: naive bayes teoremi)
(bkz: temel bileşenler analizi)
(bkz: lojistik regresyon)
(bkz: doğrusal regresyon)
(bkz: k-means)
(bkz: random forests)
(bkz: linear discriminant analysis)
(bkz: support vector machines)

___

bugün deep learning konuşma tanıma, tıpta radyolojik görüntüleri analiz etme, reklamcılar için doğru hedef kitleleri seçme gibi alanlarda kullanılmaktadır. bir radyolog ancak 6 yıllık tıp eğitimi ve üzerine 5 yıllık uzmanlıkla yetişirken bir yapay zekânın diyagnozda insan bir uzmandan daha verimli olması küçümsenecek bir gelişme değildir. bundan ötürü "bunlar gerçek yapay zeka değil ki." demek bir yanlış anlaşılmadır, günümüzde yapay zekâ zaten bu tür işlere yaramaktadır.

hedef yapay zekâyı giderek geliştirerek insan beynine benzetmek olduğundan, deep learningde artificial neural networkler kullanılır. artificial neural network adı verilen teknolojiler ise insan beyninin nöral ağlarından ilham alınarak geliştirilmiş olan bilgisayar sistemleridir. sistemlerin birimleri, biyolojik nöronların davranışını simüle ettiği varsayılan, temelde matematiksel fonksiyonlar olan yapay nöronlardır.

biyolojik nöron ve yapay nöron:

bir nöronun çıktısı, diğer bir nöronun girdisi olur ve nöronlarda birden fazla giriş ve çıkış bağlantısı mevcuttur. nöronlar katmanlar hâlinde organize edilirler, ilk katman input , son katman output tabakasıdır. hidden layer ise ara katman veya katmanlardır.

peki insan beynindeki bir nöral ağ, artificial neural networkten hangi yönleri ile farklıdır?

1) biyolojik bir beyinde miyelinizasyon ile sağlanan koordinasyon, yapay sistemlerde mevcut değildir. insanlarda, öğrenme ve miyelinizasyon arasında bir ilişki olduğu düşünülmektedir. (örnek bir çalışma)

2) sinyal aktarımı farklıdır. biyolojik bir nöronda sinyal aktarımının başlaması için gerekli olan bir eşik değeri vardır ve elektriksel iletim tellerdeki mantık ile gerçekleşmez. buna ek olarak biyolojik bir nöronda aksondaki voltaj seviyesi sabit kalmaktadır ancak bu yapay bir nöron için geçerli değildir. (bkz: all or none/@highpriestess)

3) insan beyninde hücreler farklılaşır ve dinamiktirler. bu tür bir dinamizm yapay sistemlerde henüz oluşturulmamıştır. (bkz: neural darwinism/@highpriestess) (bkz: long term potentiation/@highpriestess)

bundan türü yapay zekâdan söz edildiğinde şimdilik insan beynine gerçek anlamda benzeyen algoritmaların hayal edilmemesinde fayda olacaktır. bir devrim sürecinde olunduğu doğru bile olsa konseptleri olduklarından yanlış yorumlamak ancak hayal kırıklığı yaratır. yapay zekânın kullanım alanlarının giderek daha fazla yaygınlaşacağını söylemek insan beyninin yerini alacağını söylemekten daha doğru görünmektedir zira yapay zekânın insan beyninin yerini alabilmesi için yalnızca belirli görevleri icra edebilmesi, klasifikasyon yapabilmesi, problem çözebilmesi değil insan beyni gibi fenomen üretebilmesi gerekmektedir.

Yapay Zekanın İnsan Aklını Geçeceği Anı Belirten Ürpertici Kavram: Teknolojik Tekillik